Python使用Opencv實現邊緣檢測以及輪廓檢測的實現

更新時間：2020年12月31日 10:46:15 作者：Xy-Huang

這篇文章主要介紹了Python使用Opencv實現邊緣檢測以及輪廓檢測的實現，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

邊緣檢測

Canny邊緣檢測器是一種被廣泛使用的算法，并被認為是邊緣檢測最優(yōu)的算法，該方法使用了比高斯差分算法更復雜的技巧，如多向灰度梯度和滯后閾值化。

Canny邊緣檢測器算法基本步驟：

平滑圖像：通過使用合適的模糊半徑執(zhí)行高斯模糊來減少圖像內的噪聲。
計算圖像的梯度：這里計算圖像的梯度，并將梯度分類為垂直、水平和斜對角。這一步的輸出用于在下一步中計算真正的邊緣。
非最大值抑制：利用上一步計算出來的梯度方向，檢測某一像素在梯度的正方向和負方向上是否是局部最大值，如果是，則抑制該像素（像素不屬于邊緣）。這是一種邊緣細化技術，用最急劇的變換選出邊緣點。
用滯后閾值化選擇邊緣：最后一步，檢查某一條邊緣是否明顯到足以作為最終輸出，最后去除所有不明顯的邊緣。

Opencv使用Canny邊緣檢測相對簡單，代碼如下：

import cv2
import numpy as np

img = cv2.imread("hammer.jpg", 0)
cv2.imwrite("canny.jpg", cv2.Canny(img, 200, 300))
cv2.imshow("canny", cv2.imread("canny.jpg"))
cv2.waitKey()
cv2.destroyAllWindows()

運行結果：

這里寫圖片描述

Canny函數的原型為

cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient ]]])

必要參數：
第一個參數是需要處理的原圖像，該圖像必須為單通道的灰度圖；
第二個參數是滯后閾值1；
第三個參數是滯后閾值2。

輪廓檢測

輪廓檢測主要由cv2.findContours函數實現的。
函數的原型為

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

函數參數
第一個參數是尋找輪廓的圖像；

第二個參數表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2接口）：

cv2.RETR_EXTERNAL表示只檢測外輪廓。
cv2.RETR_LIST檢測的輪廓不建立等級關系。
cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內孔的邊界信息。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。
cv2.RETR_TREE建立一個等級樹結構的輪廓。

第三個參數method為輪廓的逼近方法

cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1。
cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息。
cv2.CHAIN_APPROX_TC89_L1和cv2.CHAIN_APPROX_TC89_KCOS都是使用teh-Chinl chain近似算法。

返回值

如：image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

image：是原圖像

contours：圖像的輪廓，以列表的形式表示，每個元素都是圖像中的一個輪廓。

hier：相應輪廓之間的關系。這是一個ndarray，其中的元素個數和輪廓個數相同，每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分別表示后一個輪廓、前一個輪廓、父輪廓、內嵌輪廓的索引編號，如果沒有對應項，則該值為負數。

原圖：

這里寫圖片描述

示例一

import cv2
import numpy as np

img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))
# threshold 函數對圖像進行二化值處理，由于處理后圖像對原圖像有所變化，因此img.copy()生成新的圖像，cv2.THRESH_BINARY是二化值
ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)
# findContours函數查找圖像里的圖形輪廓
# 函數參數thresh是圖像對象
# 層次類型，參數cv2.RETR_EXTERNAL是獲取最外層輪廓，cv2.RETR_TREE是獲取輪廓的整體結構
# 輪廓逼近方法
# 輸出的返回值，image是原圖像、contours是圖像的輪廓、hier是層次類型
image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for c in contours:
  # 輪廓繪制方法一
  # boundingRect函數計算邊框值，x，y是坐標值，w，h是矩形的寬和高
  x, y, w, h = cv2.boundingRect(c)
  # 在img圖像畫出矩形，(x, y), (x + w, y + h)是矩形坐標，(0, 255, 0)設置通道顏色，2是設置線條粗度
  cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

  # 輪廓繪制方法二
  # 查找最小區(qū)域
  rect = cv2.minAreaRect(c)
  # 計算最小面積矩形的坐標
  box = cv2.boxPoints(rect)
  # 將坐標規(guī)范化為整數
  box = np.int0(box)
  # 繪制矩形
  cv2.drawContours(img, [box], 0, (0, 0, 255), 3)

  # 輪廓繪制方法三
  # 圓心坐標和半徑的計算
  (x, y), radius = cv2.minEnclosingCircle(c)
  # 規(guī)范化為整數
  center = (int(x), int(y))
  radius = int(radius)
  # 勾畫圓形區(qū)域
  img = cv2.circle(img, center, radius, (0, 255, 0), 2)

# # 輪廓繪制方法四
# 圍繞圖形勾畫藍色線條
cv2.drawContours(img, contours, -1, (255, 0, 0), 2)
# 顯示圖像
cv2.imshow("contours", img)
cv2.waitKey()
cv2.destroyAllWindows()

運行結果如圖所示：

這里寫圖片描述

示例二

import cv2
import numpy as np

img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))
ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY) , 127, 255, cv2.THRESH_BINARY)
# findContours函數查找圖像里的圖形輪廓
# 函數參數thresh是圖像對象
# 層次類型，參數cv2.RETR_EXTERNAL是獲取最外層輪廓，cv2.RETR_TREE是獲取輪廓的整體結構
# 輪廓逼近方法
# 輸出的返回值，image是原圖像、contours是圖像的輪廓、hier是層次類型
image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 創(chuàng)建新的圖像black
black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)


for cnt in contours:
  # 輪廓周長也被稱為弧長?？梢允褂煤瘮?cv2.arcLength() 計算得到。這個函數的第二參數可以用來指定對象的形狀是閉合的（True） ，還是打開的（一條曲線）
  epsilon = 0.01 * cv2.arcLength(cnt, True)
  # 函數approxPolyDP來對指定的點集進行逼近，cnt是圖像輪廓，epsilon表示的是精度，越小精度越高，因為表示的意思是是原始曲線與近似曲線之間的最大距離。
  # 第三個函數參數若為true,則說明近似曲線是閉合的，它的首位都是相連，反之，若為false，則斷開。
  approx = cv2.approxPolyDP(cnt, epsilon, True)
  # convexHull檢查一個曲線的凸性缺陷并進行修正，參數cnt是圖像輪廓。
  hull = cv2.convexHull(cnt)
  # 勾畫圖像原始的輪廓
  cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2)
  # 用多邊形勾畫輪廓區(qū)域
  cv2.drawContours(black, [approx], -1, (255, 255, 0), 2)
  # 修正凸性缺陷的輪廓區(qū)域
  cv2.drawContours(black, [hull], -1, (0, 0, 255), 2)
# 顯示圖像
cv2.imshow("hull", black)
cv2.waitKey()
cv2.destroyAllWindows()

運行結果如圖所示：

這里寫圖片描述